Structural Equation Model for Studying the Mobile

1988
IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 4, APRIL 2016
Structural Equation Model for Studying the
Mobile-Learning Acceptance
A. Valencia, G. González and M. Castañeda
Abstract— This paper presents a Structural Equation Model
(SEM) based on the Theory of Planned Behavior for assessing the
variables that influence the mobile learning acceptance. For this
study has been considered a representative sample of 350
students from “Instituto Tecnológico Metropolitano” (ITM). The
KMO (Kaiser-Meyer-Olkin) and Bartlett's test of sphericity
indicate that a factor analysis is adequate. All constructs are
statistically significant; also the goodness of fit test indicates that
the model fits the data very well. This paper presents a SEM
model which identifies the influence of next constructs: the ease
of use, perceived usefulness, instructor preparation, preparation
of student, the attitudes and subjective norms regarding the
acceptability of mobile technologies. Besides the construct that
most influences the latent variable attitude is the perceived
usefulness, while the construct that most influences the latent
variable subjective norms is the preparation of students.
Keywords— mobile-learning, structural equation modeling,
theory of planned behavior, technology acceptance.
I. INTRODUCCIÓN
E
L APRENDIZAJE móvil, también conocido como mlearning o mobile-learning, se define como el conjunto de
comportamientos que tienen como resultado, la adquisición de
conocimientos y habilidades a través del uso de dispositivos
móviles, en cualquier lugar y en cualquier momento [1],[2].
Los dispositivos móviles están cambiando de manera
significativa las actividades de aprendizaje como resultado de
la fácil interacción humana y el acceso a los recursos de
conocimiento en cualquier momento y lugar. Estos
dispositivos tienen el potencial de cambiar las actitudes de los
estudiantes frente al aprendizaje [3].
Según Coursaris y Hassanein [4], la movilidad es la
característica más importante del m-learning y es también la
principal ventaja del aprendizaje móvil en comparación con
los enfoques tradicionales de educación. No obstante, la
tecnología por sí sola no produce m-learning; el factor clave
de éxito para la educación móvil es comprender los factores
que conllevan a los estudiantes a su adopción [5].
La decisión de adoptar el aprendizaje móvil es un proceso
complejo con un gran número de factores de influencia, y a
pesar del creciente interés en el potencial del aprendizaje
móvil, los investigadores tienen en la actualidad un
conocimiento limitado de los factores que influyen sobre la
adopción de los alumnos de un sistema de m-learning [6]. Son
A. Valencia, Instituto Tecnológico Metropolitano (ITM), Medellín,
Colombia, [email protected]
G. González, Instituto Tecnológico Metropolitano (ITM), Medellín,
Colombia, [email protected]
M. Castañeda, Instituto Tecnológico Metropolitano (ITM), Medellín,
Colombia, [email protected]
pocos los estudios que han analizado el proceso de aceptación
del m-learning por parte de los estudiantes universitarios en
economías emergentes, como la colombiana. Es por esta razón
que esta investigación busca examinar los factores y variables
críticas en los procesos de aceptación y uso del m-learning por
parte de los estudiantes pertenecientes a la institución
universitaria Instituto Tecnológico Metropolitano, mediante la
aplicación y verificación de un Modelo de Ecuaciones
Estructurales o SEM (Structural Equation Modeling), basado
en la Teoría de Comportamiento Planeado (TCP). Es
importante comprender los factores que influyen en el uso
futuro del m-learning para el diseño de programas educativos;
por otro lado la adopción de la tecnología móvil va a depender
en gran medida de las creencias y percepciones de los usuarios
hacia la tecnología móvil [6].
Las siguientes secciones del artículo comprenden una revisión
literaria en la sección 2, una descripción de la metodología
empleada en la investigación en la sección 3, y posteriormente
se presenta el análisis de resultados y conclusiones en la
sección 4 y 5 respectivamente.
II. ESTUDIOS PREVIOS
Según Liu y Chen [2] varios estudios han confirmado la
importancia de la movilidad, como factor que afecta la
decisión del usuario en la adopción de determinados servicios.
Por otro lado, la influencia de las habilidades y las
experiencias previas de los estudiantes frente a las
Tecnologías de la Información y Comunicación (TIC) y la
adopción del aprendizaje móvil ha recibido escasa atención
[6].
Se han emprendido investigaciones que buscan comprender
cómo las competencias de los alumnos en las TIC afectan el
uso de las tecnologías de m-learning. Los estudios postulan
que la facilidad de uso percibida y la utilidad de la tecnología
móvil podrían mediar en la relación entre las competencias de
los estudiantes en las TIC y la intención de los estudiantes a
adoptar el aprendizaje móvil [6].
Otros enfoques se han desarrollado entorno al nivel de
preparación por parte de los usuarios, alumnos e instructores,
para avanzar desde el uso del e-learning hasta el m-learning
[7]. También, investigaciones a través de análisis empíricos,
han encontrado que los factores demográficos favorecen la
comprensión de las conductas individuales frente a la
aceptación de las nuevas tecnologías [8].
Las investigaciones experimentales para evaluar la incursión,
aceptación y adaptación de los estudiantes a los dispositivos
móviles, se han desarrollado mediante cuestionarios de
administración periódica y grupos focales. Estos métodos
revelan las actitudes de los estudiantes frente a la tecnología,
patrones de uso en las aplicaciones de los diferentes
dispositivos electrónicos, al igual que problemas de usabilidad
VALENCIA ARIAS et al.: STRUCTURAL EQUATION MODEL
en relación a la conectividad inalámbrica [9]. Ejemplos de este
tipo de investigación son los presentados por Zaldívar et al.,
[10] y Klein et al., [11].
Dentro de la investigación sobre herramientas de aprendizaje
móviles, una cuestión ha recibido especial atención: el análisis
del proceso que lleva a los estudiantes a adoptar estas
tecnologías para implementarlas dentro de sus cursos y
mejorar su aprendizaje [12]. Es por ello que en la búsqueda de
respuestas a las incógnitas que plantea el aprendizaje móvil,
un gran número de teorías han sido modificados para explicar
la aceptación de los estudiantes de aprendizaje móvil y la
adopción definitiva de la misma en un contexto educativo.
Teorías como la difusión de la innovación de Rogers [13], la
teoría de la acción razonada Ajzen y Fishbein [14], la teoría
del comportamiento planeado Schifter & Ajzen [15], el
modelo de adopción de tecnología (TAM) de Davis [16], la
teoría unificada de la aceptación y el uso de la tecnología
(UTAUT) de Venkatesh et al., [17] han sido actualizadas para
modelar la adopción del aprendizaje móvil. Estos modelos
proporcionan información sobre los factores que influyen en la
aceptación de los usuarios de aprendizaje móvil Mac Callum y
Jeffrey [6].
La Teoría de Acción Razonada de Fishbein & Ajzen [18] y
sus sucesivos desarrollos, es una teoría general de la conducta
humana que trata la relación entre creencias, actitudes,
intenciones y comportamientos, los cuales se encuentran
relacionados con la toma de decisiones a nivel conductual y
parten del concepto de la racionalidad del hombre; cualidad
que les permite hacer uso de la información disponible para el
ejercicio de las acciones o conductas emprendidas e intentar
realizar o no una determinada conducta social. Se han
utilizado principalmente dos modelos para analizar la
aceptación del anterior paradigma: La Teoría del
Comportamiento Planeado de Schifter & Ajzen [15] y el
Modelo de Aceptación de Tecnología (TAM), introducido por
Davis [16].
La Teoría del Comportamiento Planeado de Schifter & Ajzen
[15] busca explicar la conducta de los individuos sobre la base
de la relación creencias-actitud e intención-comportamiento, y
constituye en particular, una extensión de la Teoría de Acción
Razonada enfocada a aquellos comportamientos en los que el
sujeto no tiene un control total, sino que está condicionado en
alguna medida por factores no motivacionales asociados a la
disponibilidad de ciertos requisitos y recursos. Dentro del
ámbito de la investigación, la Teoría de Comportamiento
Planificado ha sido utilizada para analizar conductas tan
diversas como la aceptación de la World Wide Web, la
adopción de tecnologías móviles o el uso de servicios online
[19]; la Fig.1, muestra un esquema en el que se aprecia la
teoría del comportamiento planeado de un individuo.
1989
Figura 1. Teoría del comportamiento planeado de un individuo. Elaboración
propia a partir de Herrera y Fennema [19]
El desafío fundamental frente al estudio de m-learning, es
entender cómo y por qué las personas adoptan o no adoptan
los servicios móviles. Con el fin de comprender el proceso de
aceptación de los pueblos hacia los servicios móviles, los
modelos de adopción anteriores solicitan modificaciones
adecuadas en su estructura original que se adaptan a su uso en
contextos sociales particulares [2].
III. METODOLOGÍA
En esta investigación se ha realizado un análisis SEM
(Structural Equation Modeling), que combina diferentes
técnicas de estadística multivariadas como análisis factorial y
de regresión para evaluar el ajuste de las teorías de
investigación al mundo real [20]. El análisis SEM emplea
variables latentes y variables estimadas para determinar las
relaciones de redes enteras entre variables, en este caso se ha
validado una parte del modelo de la Teoría del
Comportamiento Planeado. Un análisis SEM utiliza un
modelo de medición y un modelo estructural. En el modelo de
medición se describen las relaciones entre las variables
latentes y las variables indicadoras observables. Usando un
análisis factorial confirmatorio, al modelo se le realizan un
conjunto de pruebas de bondad de ajuste para determinar qué
tan bien se ajusta a los datos a través de varias pruebas
estadísticas, para posteriormente evaluar sus resultados. Una
vez validado el modelo, los efectos directos e indirectos
pueden evaluarse entre las variables latentes e independientes.
Esto permite el análisis de las relaciones existentes entre
factores tales como el estatus socio económico, la educación,
la salud, etc., en nuestro caso específicamente, la relación de
cuatro constructos con dos variables latentes que dan cuanta
de la aceptación de dispositivos móviles en la enseñanza de la
educación superior.
[21],[22].
La base de datos utilizada en este proyecto es una base de
datos única, recolectada a través de una encuesta dirigida a
estudiantes del Instituto Tecnológico Metropolitano (ITM) de
la ciudad de Medellín, Colombia. En total se recolectaron 350
encuestas, lo que representa una buena muestra en relación al
número de parámetros estimados según algunos autores
[23],[24]. La muestra está compuesta por 63.4% mujeres y
31.7% hombres, el porcentaje restante de los encuestados no
indicaron su género (N.I). La mayoría de los encuestados son
personas entre los 20 y 26 años, quienes representan un 59%
de la muestra. En la TABLA I se muestra la descripción
estadística de la muestra de estudiantes utilizada.
1990
IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 4, APRIL 2016
TABLA I. DESCRIPCIÓN ESTADÍSTICA DE LA MUESTRA
EDAD
N.I
MUJERES HOMBRES
≤ 18
3
17
19
1
20
2
21
TOTAL
7
27
24
8
33
35
15
52
5
20
10
35
22
1
20
9
30
23-24
2
29
16
47
25-26
1
24
18
43
27-29
1
23
15
39
≥ 30
1
30
13
44
Total
17
222
111
350
En total se preguntó por 47 variables, de las cuales se
utilizaron 15 de ellas para la elaboración del modelo SEM, en
la TABLA II se muestra la descripción de cada variable.
TABLA II. DESCRIPCIÓN DE LAS VARIABLES
VARIABLE
FU1
FU2
CONSTRUCTO
Facilidad de
Uso Percibida
(FU1_d)
UP1
UP2
Utilidad
Percibida
(UP1_d)
UP3
PIns1
PIns2
Preparación del
Instructor
(PIns1_d)
PIns3
PEst1
PEst2
Preparación
Estudiantes
(PEst1_d)
Act1
Actitudes
(ACT1_d)
Act2
NS1
NS2
NS3
Normas
Subjetivas
(NS1_d)
PREGUNTA
Considero que puede ser fácil acceder a
los contenidos de los cursos desde un
dispositivo móvil.
No
tendría
ningún
inconveniente
utilizando dispositivos móviles en mis
materias.
Creo que la utilización de dispositivos
móviles me permite realizar mis trabajos
de forma más rápida.
Creo que los dispositivos móviles son
útiles para mi aprendizaje.
Creo que usar dispositivos móviles en los
cursos podría mejorar mis habilidades
para el aprendizaje
Considero que los docentes incentivan el
uso de dispositivos móviles como
herramientas educativas útiles en sus
materias
Pienso que los docentes deberían dar un
mayor uso a los dispositivos móviles en
los procesos de enseñanza
Percibo que los docentes estarían a favor
de otorgar un mayor uso a los dispositivos
móviles en sus materias
Percibo que mis compañeros valoran los
dispositivos
móviles
como
una
herramienta educativa útil en sus materias
Pienso que los estudiantes deberíamos
recibir mayores capacitaciones para usar
dispositivos móviles como herramientas
de aprendizaje en nuestras materias
Considero que disfrutaría más el trabajo
de los cursos si pudiera acceder a los
contenidos desde mi dispositivo móvil.
Incorporar experiencias de aprendizaje
por medio de dispositivos móviles en las
materias de la carrera sería una
experiencia agradable.
Creo que mis amigos más cercanos
estarían dispuestos a usar un dispositivo
móvil para el aprendizaje.
Utilizaría los dispositivos móviles como
herramientas para el aprendizaje si mis
compañeros también lo hicieran.
Los medios de comunicación influyen en
que use dispositivos móviles en mis
procesos de aprendizaje.
Cada variable se midió en una escala de Likert [25] de 0 a 5,
donde 5 indica muy de acuerdo, 1 muy en desacuerdo y 0 no
sabe no responde
En el modelo SEM se relacionaron los anteriores constructos
con las variables latentes Actitudes y Normas Subjetivas,
incluyendo una relación de dependencia entre ellas.
IV. RESULTADOS
Para estimar el modelo SEM ajustado en este trabajo parte de
la creación de constructos que dan cuenta de las creencias
externas de los estudiantes para poder relacionarlas con los
variables actitudinales. La elaboración de los constructos de
las creencias de los estudiantes toma cuatro dimensiones: la
facilidad de uso percibida, la utilidad percibida, la preparación
del instructor y la preparación del estudiante. Cada constructo
se crea a través de un análisis de componentes principales para
reducir sus dimensiones a solo una variable o constructo. Al
respecto en la TABLA III se muestran los resultados de la
prueba de Kaiser-Meier-Olkin (KMO) y la prueba de
esfericidad de Bartlett. En ella se puede apreciar que el
análisis factorial realizado es viable, ya que ningún KMO es
inferior a 0.5, lo que indica que el análisis factorial es
procedente, y todas las pruebas de esfericidad se rechazan a
cualquier nivel de significancia, estableciendo que no es
posible aceptar la hipótesis de que la matriz de correlaciones
es una matriz identidad.
TABLA III. PRUEBAS KMO Y BARTLETT PARA LA FIABILIDAD DE
LOS CONSTRUCTOS
Una vez obtenidos los constructos a partir del análisis de
componentes principales se procede a estimar el SEM.
Utilizando la herramienta SEM Builder del software STATA
SE 12. Se estimó el modelo de ecuaciones estructurales de la
Fig. 2.
VALENCIA ARIAS et al.: STRUCTURAL EQUATION MODEL
Figura 2. Modelo de Ecuaciones Estructurales de Aceptación de tecnologías
móviles.
Es necesario resaltar que todos los constructos son
estadísticamente significativos de manera individual, además
las pruebas de bondad de ajuste indican que el modelo se
ajusta bien a los datos y logra explicar en buena medida el
fenómeno.
En efecto, de acuerdo con la TABLA IV, los valores del
Índice de Ajuste Comparativo (CIF) y el Índice de TuckerLewis toman valores de 0.972 y 0.947 respectivamente, lo que
indica un ajuste óptimo [26]. Asimismo, los valores de los
límites inferior y superior del estadístico RMSEA son 0.051 y
0.12, lo que indica que el ajuste es bueno. Por último, el valor
del coeficiente de determinación es de 0.895, valor cercano a
uno indicando un buen ajuste.
TABLA IV. ESTADÍSTICOS DE BONDAD DE AJUSTE DEL MODELO
ESTIMADO
Fit statistic
Value
Population error
RMSEA
0.084
90% CI, lower bound
0.051
upper bound
0.12
pclose
0.044
Description
Root mean squared error of aproximation
Probability RMSEA <= 0,05
Information criteria
AIC
BIC
Baseline comparison
CFI
TLI
17625.954
17699.146
0.972
0.947
Akaike's information criterion
Bayesian information criterion
1991
cuales están relacionadas también con la aceptación hacia el
uso de estas tecnologías.
Además el constructo que más influye sobre la variable latente
de la actitud es la utilidad percibida, cuyo coeficiente es de
0.92, mientras que el constructo de la actitud tiene un
coeficiente de solo 0.015 (la variable FU1_d se restringe toma
para el modelo de base), esto quiere decir que en relación a la
variable FU1_d, ambas variables tienen un efecto inferior
sobre la variable latente ACT. El constructo que más influye
sobre la variable latente de normas subjetivas es la
preparación de los estudiantes, aunque nuevamente el
coeficiente de la preparación del instructor presenta un
coeficiente muy similar (ambos alrededor de 70, la variable
NS1_d se toma para el modelo de base), lo que indica que
ambas variables tienen un efecto superior sobre la variable
latente NS en relación a la variable NS1_d.
Finalmente, se destaca que existe una relación directa y
significativa entre las variables latentes (descritas a través del
valor estimado de la covarianza entre las variables ACT y NS,
el cual es igual a 40 y es estadísticamente significativo), lo que
indica que la actitud hacia la aplicación de dispositivos
móviles en la educación y las normas subjetivas del individuo
están relacionadas.
CONCLUSIONES
En este trabajo se estima un modelo de ecuaciones
estructurales que permite identificar la influencia que tienen
los constructos de la facilidad de uso, la utilidad percibida, la
preparación del instructor, la preparación del estudiante, las
actitudes y las normas subjetivas sobre la aceptación de
tecnologías móviles.
Se logran obtener resultados significativos y fidedignos de la
relación entre los constructos y las variables latentes de
actitudes y normas subjetivas.
Se identificó que existe una relación significativa y positiva
entre los constructos y las variables latentes, lo que quiere
decir que aumentos en cada indicador que componen los
constructos mejorará la aceptación del uso de tecnologías
móviles en la educación superior del ITM.
Los resultados indican además que existe una correlación
positiva y significativa entre las variables latentes de actitudes
y normas subjetivas, indicando que cambios en alguna
afectará de manera directa a la otra.
Futuros estudios podrían seguir la metodología aquí descrita
para comparar comportamientos hallados en otras
instituciones de educación superior.
REFERENCIAS
Comparative fit index
Tucker-Levis index
[1]
Size of residuals
SRMR
CD
0.031
0.895
Standardized root mean squared residual
Coefficient of determination
[2]
El signo que tiene cada coeficiente de la pendiente de cada
ecuación es positivo, es decir, existe una relación positiva
entre los constructos y las variables latentes, lo que implica
que mejoras en la calificación de cada constructo tiende a
aumentar la actitud favorable hacia la aceptación de
dispositivos móviles así como las normas subjetivas, las
[3]
[4]
J. H. Huang, Y. R. Lin, and S. T. Chuang, “Elucidating user
behavior of mobile learning: A perspective of the extended
technology acceptance model,” Electron. Libr., vol. 25, no. 5, pp.
585–598, 2007.
Y. Liu and N. S. Chen, “An adoption model for mobile learning,”
Proceeding IADIS Int. Conf. e-Commerce, vol. July, 2008.
S. S. Liaw, M. Hatala, and H. M. Huang, “Investigating acceptance
toward mobile learning to assist individual knowledge management:
Based on activity theory approach,” Comput. Educ., vol. 54, no. 2,
pp. 446–454, 2010.
C. Coursaris and K. Hassanein, “Understanding m-commerce: a
consumer-centric model,” Q. J. Electron. Commer., vol. 3, pp. 247–
272, 2002.
1992
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 4, APRIL 2016
Y. Liu, S. Han, and H. Li, “Understanding the factors driving mlearning adoption: a literature review,” Campus-Wide Inf. Syst., vol.
27, no. 4, pp. 210–226, 2010.
K. Mac Callum and L. Jeffrey, “The influence of students’ ICT
skills and their adoption of mobile learning,” Australas. J. Educ.
Technol., vol. 29, no. 3, 2013.
J. R. Corbeil and M. E. Valdes-Corbeil, “Are you ready for mobile
learning?,” Educ. Q., vol. 30, no. 2, pp. 51–58, 2007.
G. W. H. Tan, K. B. Ooi, J. J. Sim, and K. Phusavat, “Determinants
of mobile learning adoption: An empirical analysis.,” J. Comput.
Inf. Syst., vol. 52, no. 3, p. 82, 2012.
D. Corlett, M. Sharples, S. Bull, and T. Chan, “Evaluation of a
mobile learning organiser for university students,” J. Comput.
Assist. Learn., vol. 21, no. 3, pp. 162–170, 2005.
A. Zaldivar, C. Tripp, J. A. Aguilar, J. E. Tovar, and C. E.
Anguiano, “Using Mobile Technologies to Support Learning in
Computer Science Students,” Lat. Am. Trans. IEEE (Revista IEEE
Am. Lat., vol. 13, no. 1, pp. 377–382, 2015.
A. Z. Klein, J. C. da Silva Freitas, V. Barbosa, and J. Luis, “MLearning in Practice: Using SMS for Teaching and Learning in
Undergraduate Courses,” Lat. Am. Trans. IEEE (Revista IEEE Am.
Lat., vol. 13, no. 1, pp. 321–329, 2015.
J. Cheon, S. Lee, S. M. Crooks, and J. Song, “An investigation of
mobile learning readiness in higher education based on the theory of
planned behavior,” Comput. Educ., vol. 59, no. 3, pp. 1054–1064,
2012.
E. M. Rogers, “A prospective and retrospective look at the diffusion
model,” J. Health Commun., vol. 9, no. S1, pp. 13–19, 2004.
I. Ajzen and M. Fishbein, “Understanding attitudes and predicting
social behaviour,” 1980.
D. E. Schifter and I. Ajzen, “Intention, perceived control, and
weight loss: an application of the theory of planned behavior,” J.
Pers. Soc. Psychol., vol. 49, no. 3, p. 843, 1985.
F. D. Davis, “Perceived usefulness, perceived ease of use, and user
acceptance of information technology,” MIS Q., pp. 319–340, 1989.
V. Venkatesh, M. G. Morris, G. B. Davis, and F. D. Davis, “User
acceptance of information technology: Toward a unified view,” MIS
Q., pp. 425–478, 2003.
M. Fishbein and I. Ajzen, “Belief, attitude, intention and behavior:
An introduction to theory and research,” 1975.
S. I. Herrera and M. C. Fennema, “Tecnologías móviles aplicadas a
la educación superior,” XVII Congr. Argentino Ciencias la Comput.,
2011.
J. B. Ullman and P. M. Bentler, “Structural equation modeling,”
John Wiley Sons, 2003.
L. E. Voth-Gaeddert and D. B. Oerther, “Utilizing Structural
Equation Modeling in the Development of a Standardized
Intervention Assessment Tool,” Procedia Eng., vol. 78, pp. 218–
223, 2014.
E. Paus, C. S. Werner, and R. Jucks, “Learning through online peer
discourse: Structural equation modeling points to the role of
discourse activities in individual understanding,” Comput. Educ.,
vol. 58, no. 4, pp. 1127–1137, 2012.
R. B. Kline, “Principles and practice of structural equation
modeling,” New York Guilford, 2005.
D. L. Jackson, “Revisiting sample size and number of parameter
estimates: Some support for the N: q hypothesis,” Struct. Equ.
Model., vol. 10, no. 1, pp. 128–141, 2003.
R. Likert, “A technique for the measurement of attitudes,” Arch.
Psychol., 1932.
M. Cupani, “Análisis de Ecuaciones Estructurales,” Rev. Tesis, no.
1, pp. 186–199, 2012.
Alejandro Valencia is a Management Engineer from National
University of Colombia, he has a master in System
Engineering from the same University. He is a professor in the
Department of Administration Science in Instituto
Tecnológico Metropolitano ITM, his research includes
simulation, marketing research, and statistic science. He has
also experience in the area of agent-based modeling and system dynamics,
specializing in the development of social models and economic.
Gabriel González is an Economist from University of
Antioquia, has a master in economics from the same
university. His research interest are applied econometrics,
macroeconomics and poverty. He has experience as consultant
for several enterprises in Colombia.
Mónica Castañeda received the Engineering degree in
Management Engineering in 2011 from National University of
Colombia, her master degree in System Engineering was
obtained in 2014, currently she is a PhD student her research
interest are electricity markets, renewable energy, simulation,
and policy analysis.